Warum lohnt sich dieser Kurs?
Wenn dieselben Datenfehler immer wieder bereinigt werden müssen, liegt das Problem selten bei den Daten selbst. Das Seminar zeigt, wie Data Owner und Data Stewards Qualitätsanforderungen für geschäftskritische Daten definieren, mit Kennzahlen messen und Probleme dort beheben, wo sie entstehen.Kursüberblick
Schlechte Daten treffen Prozesse, Entscheidungen, Reporting und Automatisierung. Das Seminar bewertet Kosten und Risiken aus Business-Sicht. Ausgehend von Qualitätsdimensionen wie Vollständigkeit, Richtigkeit, Aktualität, Konsistenz, Validität und Eindeutigkeit werden für Critical Data Elements (CDE) Qualitätsregeln und Akzeptanzkriterien formuliert.Gemessen wird mit Data Profiling und Datenqualitätskennzahlen. Schwellen- und Zielwerte zeigen, wann Handlungsbedarf besteht – wo Kennzahlen an Grenzen stoßen, wird kritisch eingeordnet.
Wo liegt der Fehler wirklich? Der Datenqualitätsproblemprozess unterscheidet Fehlerquelle und Fehlerfundort und führt über die reine Bereinigung hinaus zur Ursachenanalyse: Korrektive Maßnahmen beheben Fehler, präventive verhindern sie im Prozess, Monitoring sichert die Verbesserung ab. Verankert wird Datenqualität in bestehenden Geschäfts- und Qualitätsmanagementprozessen, ohne Parallelstrukturen: mit klar verteilten Rollen zwischen Fachbereich und IT, Datenqualitätsregeln (DQ-Regeln), Issue Log und Scorecard sowie dem kontinuierlichen Verbesserungsprozess (KVP).
In einer Praxisübung durchlaufen die Teilnehmer*innen den Zyklus von der Geschäftsanforderung bis zur Verbesserungsmaßnahme und übertragen ihn auf das eigene Unternehmen.
Kursinhalte
Welche Anforderungen definieren gute Datenqualität?- Vollständigkeit, Richtigkeit und Aktualität zählen zu den Qualitätsdimensionen
- Konsistenz, Validität und Eindeutigkeit ergänzen die relevanten Dimensionen
- Critical Data Elements (CDE) bezeichnen die geschäftskritischen Daten
- Qualitätsregeln und Akzeptanzkriterien übersetzen Geschäftsanforderungen
- Datenfehler, Qualitätsproblem und Geschäftsanforderung werden klar abgegrenzt
- Data Profiling bildet den Ausgangspunkt für die Messung der Datenqualität
- Messgrößen und Datenqualitätskennzahlen quantifizieren den Zustand der Daten
- Schwellen- und Zielwerte legen fest, wann Handlungsbedarf besteht
- Qualitätsprobleme werden strukturiert bewertet und priorisiert
- Aussagekraft und Grenzen von Kennzahlen werden kritisch eingeordnet
- Der Datenqualitätsproblemprozess strukturiert die Bearbeitung von Problemen
- Die Ursachenanalyse geht über die reine Datenbereinigung hinaus
- Fehlerquelle und Fehlerfundort werden klar voneinander unterschieden
- Präventive Maßnahmen verhindern Fehler im Prozess, korrektive beheben sie
- Kontinuierliches Monitoring sichert die nachhaltige Verbesserung ab
- Verantwortlichkeiten im Datenqualitätsprozess werden klar zugeordnet
- Die Schnittstelle verbindet Data Owner, Data Steward, Fachbereich und IT
- Datenqualität wird in Geschäfts- und Qualitätsmanagementprozesse integriert
- Datenqualitätsregeln (DQ-Regeln), Issue Log und Scorecard bilden Kernartefakte
- Der kontinuierliche Verbesserungsprozess (KVP) sichert Datenqualität dauerhaft
- Datenqualität wirkt auf Prozesse, Entscheidungen, Reporting und Automatisierung
- Typische Ursachen und Auswirkungen schlechter Datenqualität werden erläutert
- Kosten und Risiken schlechter Daten werden aus Business-Sicht bewertet
- Fitness for Purpose misst Datenqualität am jeweiligen Verwendungszweck
- Der Bezug zu Data Governance, Datenstrategie und Compliance wird hergestellt
- Ein geschäftskritisches Datenobjekt bildet den Ausgangspunkt der Übung
- Für das Datenobjekt wird eine konkrete Qualitätsanforderung definiert
- Datenqualitätsregel und Key Performance Indicator (KPI) werden entwickelt
- Qualitätsproblem, Ursache und Maßnahmen werden analysiert und bestimmt
- Die Ergebnisse werden auf das eigene Unternehmen übertragen
Zielgruppe
- Data Owner und Data Stewards, die Datenqualität in Fachbereichen verantworten
- Data-Governance- und Datenmanagement-Verantwortliche, die Qualitätsprozesse unternehmensweit steuern wollen
- Qualitäts- und Prozessmanager, die Datenqualität in bestehende Prozesse einbinden möchten
- Führungskräfte und Geschäftsführer, die Datenqualität als Steuerungsthema verankern wollen
- Controlling- und Reporting-Verantwortliche, die verlässliche Kennzahlen für Entscheidungen benötigen
- Stammdaten- und IT-Verantwortliche, die Datenfehler an der Ursache beheben wollen
- Mitarbeiter in Administration und Organisation, die geschäftskritische Daten bearbeiten
